Ultralytics YOLO11 ve GPT-4o Mini ile bir ANPR sistemi oluşturun

Kalabalık bir otoparkta yer bulmak, uzun gişe kuyruklarında beklemek veya güvenlik kontrol noktalarında takılıp kalmak sinir bozucudur. Manuel araç kontrolleri genellikle çok uzun sürer ve gecikmelere neden olur. Otomatik bir sistem olmadan, araçları verimli bir şekilde takip etmek zor olabilir. 

Bilgisayarla görme, görüntülerden ve video akışlarından gerçek zamanlı plaka tanıma sağlayarak bu durumu değiştirmiştir. Mesela, Ultralytics YOLO11 nesne algılama, sınıflandırma ve izleme gibi gelişmiş Vision AI görevlerini gerçekleştirebilen gelişmiş bir bilgisayarla görme modelidir. YOLO11'in nesne algılama yeteneklerini kullanarak, görüntülerdeki araç plakalarını doğru bir şekilde detect . 

Ultralytics , Vision AI destekli çözümler oluşturma sürecini basitleştiren kapsamlı Google Colab not defterleri sunar. Bu not defterleri, temel bağımlılıklar, modeller ve adım adım kılavuzlarla önceden yapılandırılmış olarak gelir ve uygulama oluşturmayı kolaylaştırır. Özellikle, ANPR (Otomatik Plaka Tanıma) için özel bir Colab not defteri bulunmaktadır.

Bu makalede, ANPR için Ultralytics Colab not defterini kullanarak, plaka algılama için Ultralytics YOLO11 ve metin tanıma için GPT-4o Mini kullanarak bir ANPR çözümünün nasıl oluşturulacağını keşfedeceğiz. 

ANPR'yi Anlama 

Araçları manuel olarak takip etmek zaman alıcıdır ve özellikle hızlı hareket ettiklerinde hatalara açıktır. Her bir plakanın tek tek kontrol edilmesi süreci yavaşlatır ve hata riskini artırır. Otomatik plaka tanıma, plakaları anında detect etmek ve okumak için bilgisayar görüşü kullanarak bu sorunu çözer, trafik izleme ve güvenliği daha verimli hale getirir.

ANPR sistemleri, geçen araçların görüntülerini veya videolarını yakalayabilir ve plaka numaralarını belirlemek için gerçek zamanlı nesne tespiti kullanabilir. Tespit edildikten sonra, insan müdahalesine gerek kalmadan plaka numaralarını otomatik olarak çıkarmak için metin tanıma kullanılır. Bu işlem, araçlar hızlı hareket ederken veya plakalar kısmen gizlenmiş olsa bile doğru sonuçlar sağlar.

‍

Günümüzde gişeler, park sistemleri ve kolluk kuvvetleri, araçları verimli bir şekilde track etmek için ANPR'ye giderek daha fazla güveniyor.

ANPR teknolojisiyle ilgili zorluklar

ANPR araçları hızlı bir şekilde tanımlasa da, doğruluğunu etkileyebilecek bazı zorluklar hala vardır. Bir ANPR sisteminin ne kadar iyi çalıştığını etkileyebilecek birkaç yaygın sorun şunlardır:

• Düşük ışık ve kötü hava koşulları: Plakaların gece ve kötü havalarda okunması zorlaşır. Sis, yağmur ve bir farın parlaması metni bulanıklaştırarak okunamaz hale getirebilir.
  ‍
• Bulanık veya engellenmiş plakalar: Hızlı hareket eden bir araba, özellikle kameranın deklanşör hızı çok yavaşsa, bulanık bir görüntü bırakabilir. Kir, çizikler veya plakanın bazı kısımlarının kapalı olması da tanıma sorunlarına neden olabilir. Doğru ayarlara sahip yüksek kaliteli kameralar kullanmak, daha net sonuçlar elde etmeye yardımcı olur.
  ‍
• Tutarsız plaka tasarımları: Tüm plakalar aynı görünmüyor. Bazılarında sistemi karıştıran süslü yazı tipleri, ekstra metinler veya logolar bulunur.
  ‍
• Gizlilik riskleri ve veri güvenliği: Araç verilerini güvenli bir şekilde saklamak önemlidir. Doğru güvenlik önlemleri yetkisiz erişimi engelleyebilir ve bilgileri koruyabilir. Uygun önlemlerle, ANPR sistemleri hem güvenli hem de güvenilir olabilir.

YOLO11 ANPR sistemlerini nasıl geliştiriyor?

Ultralytics YOLO11 , ANPR sistemlerini daha hızlı ve daha doğru hale getirebilir. Hassasiyeti korurken görüntüleri hızlı bir şekilde işler ve ağır bilgi işlem gücü gerektirmez, bu nedenle küçük güvenlik kameralarından büyük trafik sistemlerine kadar her şeyde iyi çalışır.

Özel eğitim ile YOLO11 farklı plaka stillerine, dillere ve ortamlara uyarlanabilir. Ayrıca, bu koşulların görüntülerini içeren özel veri kümeleri üzerinde özel olarak eğitildiğinde düşük ışık, hareket bulanıklığı ve zor açılar gibi zorlu koşullarda da iyi performans gösterir.

YOLO11 , araçları anında tanımlayarak bekleme sürelerini azaltmaya, hataları önlemeye ve güvenliği artırmaya yardımcı olur. Bu sayede otoparklarda, gişelerde ve gözetim sistemlerinde trafik akışı daha akıcı ve operasyonlar daha verimli hale gelir.

YOLO11 ve GPT-4o Mini ile bir ANPR sistemi kurma

Şimdi, YOLO11 ve GPT-4o Mini kullanarak bir ANPR sisteminin nasıl kurulacağını inceleyelim. 

Bu çözüm için Ultralytics Google Collab not defterinde sergilenen kodu inceleyeceğiz. Google Colab not defterinin kullanımı kolaydır ve herkes karmaşık bir kuruluma ihtiyaç duymadan bir ANPR sistemi oluşturabilir.

Adım 1: Ortamın ayarlanması

Başlamak için, ANPR sistemimizi çalıştırmak için gereken temel yazılım paketleri ve kitaplıklar olan bağımlılıklarımızı yüklememiz gerekecek. Bu bağımlılıklar, nesne algılama, görüntü işleme ve metin tanıma gibi görevlere yardımcı olarak sistemin verimli çalışmasını sağlar.

Ultralytics Python paketini aşağıda gösterildiği gibi yükleyeceğiz. Bu paket önceden eğitilmiş modeller, eğitim yardımcı programları ve çıkarım araçları sağlayarak YOLO11 ile plakaları detect etmeyi ve tanımayı kolaylaştırır.

‍

Metin tanıma için GPT-4o Mini'yi de kurmamız gerekecek. GPT-4o Mini, algılanan plakalardan metin çıkarmaktan sorumlu olduğundan, modele erişmek için bir API anahtarına ihtiyacımız var. Bu anahtar, GPT-4o Mini API'sine kaydolarak elde edilebilir. Anahtara sahip olduktan sonra, sistemin modele bağlanabilmesi ve plaka numaralarını işleyebilmesi için Colab not defterine eklenebilir.

Kurulumu tamamladıktan ve kurulum kodunu çalıştırdıktan sonra, YOLO11 plakaları detect hazır olacak ve GPT-4o Mini plakaları tanıyacak ve bunlardan metin çıkaracak şekilde ayarlanacaktır.

Adım 2: Özel olarak eğitilmiş modeli indirin

Artık her şey ayarlandığına göre, bir sonraki adım plakaları detect etmek için özel olarak eğitilmiş olan YOLO11 modelini indirmektir. Bu model zaten plakaları detect etmek için eğitildiğinden, sıfırdan eğitmeye gerek yoktur. Sadece indirebilirsiniz ve kullanıma hazırdır. Bu, zaman kazandırır ve süreci çok daha kolay hale getirir.

Ayrıca, sistemi test etmek için örnek bir video dosyası indireceğiz. İsterseniz, bu çözümü kendi video dosyalarınızda da çalıştırabilirsiniz. İndirildikten sonra, model ve video dosyaları not defteri ortamında saklanacaktır.

‍

Adım 3: Videoyu yükleyin ve tespiti başlatın

Model hazır olduğunda, sıra onu çalışırken görmeye gelir. İlk olarak, video dosyası işlenmek üzere yüklenir ve doğru şekilde açıldığından emin olunur. Ardından, orijinal boyutu ve kare hızını koruyarak işlenmiş görüntüleri tespit edilen plakalarla birlikte kaydetmek için bir video yazıcı ayarlanır. Son olarak, model videonun her karesindeki plakaları detect etmek için yüklenir.

‍

Model yüklendikten sonra, sistem plakaları detect etmek için videonun her karesini analiz etmeye başlayacaktır. Bir plaka bulunduğunda, sistem onu bir algılama kutusuyla vurgulayarak tanımlanmasını kolaylaştırır. Bu adım, gereksiz arka plan bilgilerini filtreleyerek yalnızca ilgili ayrıntıların yakalanmasını sağlar. Plakalar başarıyla tespit edildiğinde, video artık bir sonraki aşama için hazırdır.

Adım 4: Plakalardan metin çıkarma

Bir plaka tespit edildikten sonraki adım, metin tanımadır. Sistem önce plakayı video çerçevesinden kırparak net bir görüntü için dikkat dağıtıcı unsurları ortadan kaldırır. Bu, düşük ışık veya hareket bulanıklığı gibi zorlu koşullarda bile doğruluğu artırarak ayrıntılara odaklanmaya yardımcı olur.

Plaka ayrıldıktan sonra, GPT-4o Mini görüntüyü analiz eder, sayıları ve harfleri çıkarır ve bunları okunabilir metne dönüştürür. Tanınan metin daha sonra videoya geri eklenir ve algılanan her plaka gerçek zamanlı olarak etiketlenir.

Bu adımlar tamamlandığında, ANPR sistemi tamamen işlevseldir ve plakaları kolaylıkla tanımaya hazırdır. 

Adım 5: İşlenmiş videoyu kaydetme

Son adım, işlenen videoyu kaydeder ve geçici dosyaları temizleyerek her şeyin sorunsuz çalışmasını sağlar. 

Tespit edilen plakalar ve tanınan metinlerle işlenen her kare, son çıktı videosuna yazılır. Tüm kareler işlendikten sonra, sistem okuduğu video dosyasını kapatır, böylece bellek ve sistem kaynakları boşaltılır. Ayrıca çıktı videosunu tamamlar ve kaydeder, böylece oynatmaya veya daha fazla analize hazır hale getirir.

‍

Bir ANPR sistemi dağıtmak

Bir ANPR çözümü oluşturduktan ve test ettikten sonra, bir sonraki adım onu gerçek dünya ortamında dağıtmaktır. Çoğu Vision AI modeli yüksek performanslı bilgi işleme dayanır, ancak Ultralytics YOLO11 Edge AI için optimize edilmiştir. Bulut işleme veya sürekli bir internet bağlantısı gerektirmeden küçük cihazlarda verimli bir şekilde çalışabilir, bu da onu sınırlı kaynaklara sahip yerler için mükemmel bir seçim haline getirir.

Örneğin, kapalı bir topluluk, araçları girerken tanımlamak için bir uç cihazda YOLO11 'i dağıtarak büyük sunuculara olan ihtiyacı ortadan kaldırabilir. Her şey yerinde gerçek zamanlı olarak işlenerek sorunsuz erişim, daha az tıkanıklık ve gelişmiş güvenlik sağlanır.

‍

Bu arada, sabit internet bağlantısı olan alanlarda, bulut tabanlı ANPR aynı anda birden fazla kamerayı idare edebilir. Örneğin, bir alışveriş merkezinde, farklı girişlerdeki araçları track ve plaka numaralarını merkezi bir sistemde saklayabilir, böylece park etmeyi izlemeyi, güvenliği artırmayı ve araç akışını uzaktan yönetmeyi kolaylaştırır.

ANPR için gelecek yol haritası

Ultralytics YOLO11 ile otomatik plaka tanıma (ANPR) sistemi kurmak kolaydır. Plakaları doğru bir şekilde algılar ve farklı ortamlara ve gereksinimlere uyum sağlamak için özel olarak eğitilebilir.

ANPR sistemleri güvenliği artırır, park yönetimini kolaylaştırır ve trafik izlemeyi iyileştirir. Plaka tanımayı otomatikleştirerek hataları azaltır, tanımlamayı hızlandırır ve çeşitli uygulamalarda araç takibini daha verimli hale getirir.

Topluluğumuza katılın ve yapay zekayı iş başında görmek için GitHub depomuzu ziyaret edin. Lisanslama seçeneklerimizi keşfedin ve çözüm sayfalarımızda üretimde Vision AI ve kendi kendine giden arabalarda yapay zeka hakkında daha fazla bilgi edinin.